One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
यह शोध पत्र यह प्रदर्शित करता है कि एक एकल, सीखे हुए पदानुक्रमित (hierarchical) सिमेंटिक ID प्रतिनिधित्व द्वारा संचित व्यवहार संबंधी संकेतों के माध्यम से बेहतर व्यक्तिगत रैंकिंग और अवधारणा-आधारित नेविगेशन के माध्यम से अधिक प्रभावी क्वेरी पुनर्गठन को सक्षम करके, कार्य-विशिष्ट संदर्भों को सुरक्षित रखते हुए उत्पाद खोज (product discovery) और खोज (search) कार्यों को प्रभावी ढंग से एकीकृत किया जा सकता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
उन विशाल डिजिटल बाजारों में जहाँ हम किराने का सामान, कपड़े और घरेलू सामान खरीदते हैं, एक ही उत्पाद अक्सर कई अलग-अलग रूप धारण करता है। दूध के एक विशिष्ट ब्रांड को एक स्टोर एक नाम के तहत सूचीबद्ध कर सकता है और दूसरा स्टोर उसे पूरी तरह से अलग कोड के तहत, भले ही शेल्फ पर रखी बोतल बिल्कुल एक जैसी हो। यह विखंडन कंप्यूटर के लिए यह समझना कठिन बना देता है कि एक ग्राहक जो एक उत्पाद का एक संस्करण खरीदता है, वह दूसरे में भी रुचि रख सकता है। इसे हल करने के लिए, शोधकर्ताओं ने लंबे समय से उत्पादों को श्रेणियों में व्यवस्थित करने का प्रयास किया है, ठीक वैसे ही जैसे एक पुस्तकालय फाइलिंग सिस्टम का उपयोग करता है। हालाँकि, ये मानव-निर्मित श्रेणियाँ वस्तुओं के बीच सूक्ष्म अंतर को पकड़ने के लिए बहुत व्यापक हैं, जबकि प्रत्येक स्टोर का कच्चा डेटा (raw data) बिंदुओं को जोड़ने के लिए बहुत अव्यवस्थित है। चुनौती यह तरीका खोजने में है जिससे कंप्यूटर को उत्पादों के बीच के संबंधों को समझने के लिए सिखाया जा सके, बिना उन विशिष्ट विवरणों को खोए जो एक खरीदार के लिए मायने रखते हैं।
डूरडैश (DoorDash) के शोधकर्ताओं की एक टीम ने एक नया तरीका विकसित करके इस समस्या को हल करने का बीड़ा उठाया, जो उत्पादों को प्रस्तुत करने का एक ऐसा तरीका है, जो अनुशंसा करने (recommending) और लोगों को खोजने में मदद करने, दोनों के लिए एक साझा भाषा के रूप में कार्य करता है। उन्होंने एक ऐसी प्रणाली विकसित की जो उत्पाद की जानकारी को एक छोटे, अद्वितीय कोड में बदल देती है, जो एक डिजिटल फिंगरप्रिंट के समान है। जब उन्होंने इन कोडों का विश्लेषण किया, तो उन्होंने पाया कि वे स्वाभाविक रूप से एक पदानुक्रम (hierarchy) बनाते हैं, जैसे कि नेस्टेड बॉक्स (एक के भीतर एक बॉक्स) का एक सेट। कोड की बाहरी परतें उत्पादों को व्यापक श्रेणियों में समूहित करती हैं, जबकि आंतरिक परतें धीरे-धीरे अधिक विशिष्ट विवरणों तक पहुँचती हैं। इस संरचना ने सिस्टम को यह समझने में सक्षम बनाया कि दो उत्पाद आपस में संबंधित हैं क्योंकि वे अपने कोड की शुरुआत साझा करते हैं, भले ही उन्हें सूचीबद्ध करने वाले स्टोर अलग-अलग नामों का उपयोग करते हों। शोधकर्ताओं ने फिर यह परीक्षण किया कि क्या यह एकल पदानुक्रम दो बहुत ही अलग कार्यों को संचालित कर सकता है: यह तय करना कि ब्राउज़िंग पेज पर ग्राहक को कौन से उत्पाद दिखाए जाएं, और ग्राहकों द्वारा क्वेरी टाइप करने पर बेहतर खोज शब्द सुझाना।
शोधकर्ताओं ने सबसे पहले इस पदानुक्रम को डिस्कवरी पेजों पर उत्पादों को रैंक करने की समस्या पर लागू किया, जहाँ उपयोगकर्ता "समर ग्रिलिंग" (Summer Grilling) या "ब्यूटी" (Beauty) जैसे आइटमों के कैरोसेल (carousels) के माध्यम से ब्राउज़ करते हैं। अतीत में, सिस्टम ग्राहक की पसंद को सीखने में संघर्ष करता था क्योंकि यह प्रत्येक स्टोर की लिस्टिंग को एक अलग इकाई के रूप में मानता था। यदि किसी उपयोगकर्ता ने एक स्टोर से कॉफी का एक विशिष्ट प्रकार खरीदा, तो सिस्टम को स्वतः यह पता नहीं चलता था कि उन्हें दूसरे स्टोर में भी वही कॉफी पसंद आ सकती है। इन पheld पदानुक्रमित कोडों का उपयोग करके, सिस्टम इन समान वस्तुओं को एक साथ समूहित कर सकता था और सभी में से ग्राहक के इतिहास को एकत्रित कर सकता था। इसने रैंकिंग एल्गोरिदम को केवल एक एकल स्टोर की लिस्टिंग के बजाय एक 'उत्पाद अवधारणा' (product concept) के प्रति प्राथमिकता पहचानने की अनुमति दी। जब उन्होंने वास्तविक दुनिया में इसका परीक्षण किया, तो सिस्टम यह अनुमान लगाने में काफी बेहतर हो गया कि ग्राहक क्या चीज़ अपने कार्ट में जोड़ना चाहेगा। परिणामों ने जुड़ाव (engagement) में उल्लेखनीय वृद्धि दिखाई, जिसमें ग्राहकों ने अपने कार्ट में अधिक आइटम जोड़े, विशेष रूप से ब्राउज़िंग सूचियों के शीर्ष स्थानों में। शायद इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने उत्पादों की एक विस्तृत विविधता दिखाना शुरू कर दिया, जिससे कम लोकप्रिय वस्तुओं को भी दिखने का उचित अवसर मिला, बजाय इसके कि केवल वही बेस्ट-सेलर बार-बार दिखाए जाएं।
इसी पदानुक्रमित संरचना का उपयोग खोज अनुभव को बेहतर बनाने के लिए किया गया, विशेष रूप से उन सुझावों के लिए जो उपयोगकर्ता द्वारा क्वेरी टाइप करने पर दिखाई देते हैं। पारंपरिक रूप से, खोज प्रणालियाँ नए शब्द सुझाने के लिए यह देखती हैं कि लोगों ने अपने खोज इतिहास में आगे क्या टाइप किया था। यह दृष्टिकोण अक्सर विफल हो जाता है क्योंकि यह वर्तनी की गलतियों, संक्षिप्त रूपों (abbreviations), या इस तथ्य से भ्रमित हो जाता है कि एक ही शब्द अलग-अलग संदर्भों में अलग-अलग अर्थ रख सकते हैं। नया सिस्टम इसके बजाय उपयोगकर्ता की खोज को पदानुक्रमित कोड द्वारा परिभाषित उत्पाद अवधारणाओं में अनुवादित करता है। फिर यह कच्चे शब्दों के बजाय इन अवधारणाओं के बीच संक्रमण (transitions) को देखता है। उदाहरण के लिए, यदि कोई उपयोगकर्ता "दूध" (milk) खोजता है, तो सिस्टम इसे एक उत्पाद अवधारणा के रूप में समझता है और यह सुझाव दे सकता है कि "सीरियल" (cereal) की ओर पार्श्व रूप से (laterally) बढ़ें या "होल मिल्क" (whole milk) के लिए खोज को परिष्कृत करें, इस आधार पर कि उपयोगकर्ता ने वास्तव में अतीत में क्या क्लिक किया था। यह विधि पिछले दृष्टिकोणों की तुलना में अधिक सटीक सिद्ध हुई। परीक्षणों में, नए सिस्टम ने अधिक स्पष्ट और उपयोगी सुझाव उत्पन्न किए, जिससे उपयोगकर्ताओं को अपनी इच्छित वस्तु खोजने में तेज़ी मिली। जब इसे वास्तविक उपयोगकर्ताओं के लिए तैनात किया गया, तो इसने उत्पाद खोजने के लिए आवश्यक स्क्रॉल और क्लिक की संख्या को कम कर दिया, जिसका अर्थ है कि खरीदार कम प्रयास के साथ अपनी वांछित वस्तुओं तक पहुँच गए।
यह अध्ययन प्रदर्शित करता है कि उत्पाद कोड का एक एकल, सीखा हुआ पदानुक्रम, उत्पादों की अनुशंसा करने और खोज प्रश्नों को परिष्कृत करने दोनों के लिए एक शक्तिशाली आधार के रूप में कार्य कर सकता है। मानव-निर्मित श्रेणियों से हटकर और इसके बजाय एक ऐसी संरचना का उपयोग करके जिसे कंप्यूटर ने सीधे डेटा से सीखा है, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जो लचीला और सटीक दोनों है। निष्कर्ष बताते हैं कि जब कंप्यूटर विवरण के कई स्तरों पर उत्पादों के बीच के संबंधों को समझते हैं, तो वे व्यक्तिगत खरीदारों की विशिष्ट आवश्यकताओं को बेहतर ढंग से पूरा कर सकते हैं। परिणाम केवल सैद्धांतिक नहीं थे; उन्हें वास्तविक दुनिया के प्रयोगों में मापा गया था जहाँ नया सिस्टम लगातार पुराने तरीकों से बेहतर प्रदर्शन करता रहा, जिससे अधिक संतुष्ट ग्राहक और एक अधिक कुशल बाजार मिला। यह कार्य इस बात पर प्रकाश डालता है कि कैसे उत्पाद संरचना की एक साझा समझ लाखों अलग-अलग लिस्टिंग की अराजक वास्तविकता और प्रत्येक खरीदार द्वारा अपेक्षित व्यक्तिगत अनुभव के बीच के अंतर को पाट सकती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।